Le complément MCMC Diagnostics calcule les diagnostics de convergence ainsi que les intervalles crédibles à queue égale et HPD pour un ensemble de données contenant des échantillons postérieurs d'une ou plusieurs chaînes de Markov parallèles. Inclus sont deux calculateurs de probabilité a posteriori. Ce complément n'effectue pas de MCMC mais permet une analyse et un examen simples des échantillons postérieurs.
La boîte de dialogue ci-dessous affiche un exemple pour 60 000 échantillons MCMC pour 3 chaînes de Markov exécutées indépendamment à partir d'un modèle hiérarchique bayésien de 40 événements indésirables de Mehrotra & Heyse (2004).Les chaînes de Markov indépendantes sont fournies pour que les diagnostics de Gelman-Rubin soient calculés.
La figure ci-dessous montre la Diagnostique panneau où chaque paramètre est synthétisé à l'aide de plusieurs graphiques et analyses.Ces analyses comprennent
- Histogramme avec courbe de densité non paramétrique et statistiques récapitulatives pour la chaîne 1
- Graphique de trace des échantillons MCMC pour chaîne 1
- Tracés et tests pour évaluer l'autocorrélation des échantillons dans le temps pour la chaîne 1
- Si plusieurs chaînes sont fournies, un tracé de toutes les chaînes pour évaluer la convergence est fourni avec les diagnostics Gelman-Rubin
Des parcelles forestières contenant des intervalles crédibles à queue égale et à densité postérieure la plus élevée (HPD) sont fournies pour la chaîne 1.
Un calculateur de probabilité univariée est fourni pour calculer la probabilité que chaque paramètre se situe dans la plage fournie.Ici, je calcule la probabilité que le paramètre soit positif, ce qui indiquerait qu'il y a un excès de risque sur le nouveau traitement.
Le calculateur de probabilité multivariée vous permet de calculer quand des ensembles de paramètres répondent conjointement à des critères.Ici, je calcule la probabilité que les cinq premiers paramètres soient simultanément positifs. Cela peut être interprété comme la probabilité que les cinq premiers événements indésirables présentent simultanément un excès de risque.
Aller à support.sas.com/resources/papers/proceedings13/179-2013.pdf pour plus de détails.
Mehrotra DV et Heyse JF. (2004). Utilisation du taux de fausses découvertes pour évaluer les données de sécurité clinique. Méthodes statistiques en recherche médicale 13 : 227-238.
